16 請問下列何者不是常見的特徵選取技術或方法？
(A) 皮爾森積差相關分析(Pearson Correlation)
(B) 主成分分析(Principal Components Analysis, PCA)
(C) 迴歸分析(Regression Analysis)
(D) 隨機森林(Random Forest)

正確答案是：(C) 迴歸分析 (Regression Analysis)。

解釋如下：

在資料探勘與機器學習中，**特徵選取（Feature Selection）**是指從原始特徵中挑選出對模型效果有幫助的子集，目的是提升模型效能、降低過擬合風險與運算成本。

以下是選項的比較：

• (A) 皮爾森積差相關分析
  ✔ 常見的特徵選取方法，用來評估特徵與目標變數之間的線性相關程度。

• (B) 主成分分析（PCA）
  ✱ 雖然嚴格來說是特徵轉換（Feature Extraction）而非選取，但常被用來降維處理，在應用上接近特徵選取的目的。

• (C) 迴歸分析（Regression Analysis）
  ✖ 主要是用來建模與預測，不是專門用來做特徵選取的方法。雖然可以透過係數的重要性判斷特徵，但這不是其主要用途。

• (D) 隨機森林（Random Forest）
  ✔ 常被用來評估特徵的重要性（feature importance），再據此做特徵選取。

總結：

• 若要嚴謹判斷「不是特徵選取方法」的話，答案就是 (C) 迴歸分析，因為它本質上是建模工具，而非選取技術。

原因說明：

• 特徵選取 (Feature Selection) 的目的在於從原始數據中選擇出最相關、最有效、最能代表數據本質的特徵子集，以提高模型性能、減少過擬合、加速訓練過程並提高模型的可解釋性。

我們來分析每個選項：

• (A) 皮爾森積差相關分析(Pearson Correlation)：這是一種常見的特徵選取方法。透過計算每個特徵與目標變數之間的相關係數，可以評估特徵的重要性。通常會選擇與目標變數相關性高，且彼此之間相關性低的特徵。因此，它是特徵選取的方法。

• (B) 主成分分析(Principal Components Analysis, PCA)：PCA 是一種 降維 (Dimensionality Reduction) 技術，而不是特徵選取技術。它將原始特徵轉換為一組新的、不相關的「主成分」，這些主成分是原始特徵的線性組合。PCA 的目標是減少數據的維度，同時保留大部分的變異性，但它並沒有選擇原始特徵的子集，而是創建了新的合成特徵。因此，它不是傳統意義上的特徵選取方法。

• (C) 迴歸分析(Regression Analysis)：迴歸分析是一種 統計建模 (Statistical Modeling) 技術，用於建立一個數學模型來描述一個或多個自變數（特徵）與一個因變數（目標）之間的關係，以便進行預測或解釋。雖然在迴歸模型中，我們可以通過觀察特徵的係數、p值或使用逐步迴歸等方法來判斷特徵的重要性，進而間接影響特徵的選擇，但迴歸分析本身的核心功能是建立預測模型，而不是一種專門的特徵選取「技術或方法」。相比於其他選項，它更偏向於模型訓練本身。

• (D) 隨機森林(Random Forest)：隨機森林是一種集成學習方法，除了用於分類和迴歸外，它也常用於 特徵重要性評估 (Feature Importance Ranking)。透過計算每個特徵在決策樹中分裂節點時所帶來的資訊增益或Gini不純度減少量，隨機森林可以提供一個特徵重要性的分數，然後可以根據這些分數來選擇最重要的特徵。因此，它是特徵選取的一種常用方法。

總結：

PCA 是降維技術，Random Forest 和 Pearson Correlation 是常見的特徵選取方法。而迴歸分析主要是一種建模技術，雖然可以從中獲取特徵重要性資訊，但其本身並非專門的特徵選取「技術或方法」。因此，最不屬於常見特徵選取技術或方法的是迴歸分析。